Entscheider bei Verbrauchermarken erkennen endlich das volle transformative Potenzial von externen Daten - aber sie stellen auch fest, wie schwierig es ist, diese zu beschaffen. Forrester berichtet, dass 87 % der Entscheidungsträger im Bereich Daten und Analyse Initiativen zur Beschaffung von mehr externen Daten durchgeführt haben oder planen.
Und diese Initiativen werden zunehmend außerhalb des IT-Teams durchgeführt. 29 % der Befragten gaben an, dass die IT-Abteilung die Hauptverantwortung für die Datenbeschaffung trägt, gegenüber 37 % im Jahr 2016. Um diese Projekte zu unterstützen, wenden sich Unternehmen zunehmend an einen neuen Spezialisten: den Datenjäger, der externe Datenquellen identifiziert und prüft. Der Aufbau von Teams, die sich mit externen Daten befassen, ist mit viel Arbeit verbunden, und viele Führungskräfte stellen fest, dass die Auswahl externer Daten schwer zu skalieren ist, wenn die Liste der Quellen wächst. Vielleicht ist das der Grund, warum 66 % der von Forrester befragten Entscheider angeben, dass sie externe Dienstleister für Daten, Analysen und Erkenntnisse nutzen oder planen, diese zu nutzen.
Wie können Marken die richtigen externen Datenquellen identifizieren?
Externe Anbieter wie Skai übernehmen die harte Arbeit für dich und nehmen sich Zeit, um Methoden zur Datenidentifizierung zu entwickeln, die sicherstellen, dass die gewonnenen Erkenntnisse repräsentativ für den Markt sind. Die Identifizierung und Auswahl externer Datenquellen ist eine zeitaufwändige Aufgabe, die die internen Datenteams vieler Unternehmen ausbremst.
Bei Skai beginnen wir diesen Prozess mit zwei wichtigen Fragen: Welche geschäftlichen Fragen wollen wir mit diesen Daten beantworten, und was will das Unternehmen letztendlich mit diesen Daten tun? Die Antworten bestimmen die Datentypen und -quellen, die wir auswählen und die vier Hauptkriterien erfüllen müssen:
Genaue Abdeckung der Marktanteile. Die ausgewählten externen Datenquellen müssen wirklich repräsentativ für ein bestimmtes Marktökosystem sein und genügend Textdaten enthalten, um nützliche Analysen zu erstellen. Wenn zu viele Daten von Einzelhändlern oder anderen Nischenkanälen gesammelt werden, kann dies zu Verzerrungen in den Datensätzen führen; oft sind diese kleineren Marken in umfassenderen Datenquellen wie Amazon oder Walmart gut vertreten.
Eine genaue Marktabdeckung ist jedoch ein individueller Prozess für jedes Marktökosystem. In einigen Märkten, wie z. B. dem Beauty-Markt, sind die relevanten Daten über viele E-Commerce-Websites verteilt; in anderen Märkten, wie z. B. dem Lebensmittelmarkt, sind die Daten eher auf wenige, größere Websites konzentriert. Für jedes neue Ökosystem überprüfen wir die Verteilung der Marktanteile auf die gängigsten E-Commerce-Kanäle (Amazon, Walmart und Target), bevor wir entscheiden, ob wir kleinere oder spezialisiertere Quellen einbeziehen.
Robuste Online-Präsenz. Die Skai ist einzigartig in ihrer Fähigkeit, genaue und aussagekräftige Verbindungen zwischen einem Produkt und dem herzustellen, was Verbraucher und Experten über dieses Produkt denken. Produktrezensionen und Online-Diskussionen sind für die Herstellung dieser Verbindungen unerlässlich, und wir haben hohe Standards. Wir stellen sicher, dass wir Produktrezensionen mit ausführlichen Produktdetails und Veröffentlichungsdaten finden, damit wir genau nachverfolgen können, was die Verbraucher sagen und wann sie diese Themen diskutiert haben, und so eine Zeitleiste der Verbraucherstimmung erstellen können.
Kontinuierlicher und stabiler Datenzugriff. Wir sammeln externe Daten über API-Integrationen von Drittanbietern und das legale Scraping öffentlich zugänglicher Websites. Jedes Mal, wenn ein Anbieter sein Backend ändert, müssen wir unseren Code und unsere Algorithmen entsprechend anpassen, um einen kontinuierlichen Datenzugriff zu gewährleisten. Der Zugriff auf solche Datenquellen ist für die meisten Unternehmen eine unerschwingliche technische Aufgabe, für Skai ist es jedoch Routine.
Ausgezeichnete Datenqualität. Die von uns gesammelten Daten müssen über umfassende, hochwertige Textbeschreibungen verfügen, damit unsere firmeneigenen Algorithmen für maschinelles Lernen und die Verarbeitung natürlicher Sprache den Inhalt genau extrahieren können. Anschließend normalisieren wir diese Inhalte und stellen so sicher, dass alle Datensätze dieselbe Sprache sprechen. So können wir die Datensätze miteinander verbinden und zuverlässige, genaue Analysen erstellen.
Sobald wir die beste Auswahl an Datenquellen gefunden haben, bestätigen wir unsere Auswahl mit Fachleuten aus der Branche, die unsere Recherchen validieren und alle Datentypen oder Parameter identifizieren, die wir möglicherweise übersehen haben. Die Identifizierung von Datenquellen ist eine komplexe, zeitaufwändige und spezialisierte Aufgabe, aber sie ist ziemlich einfach im Vergleich zu den Schritten, die folgen: die Verbindung und Kontextualisierung dieser Daten.
Lass dir das von einem echten Skai sagen:
"Der Versuch, so viele neue und unterschiedliche externe Datenquellen mit unserem bestehenden System zu verbinden, hätte uns Jahre gekostet! Skai hat die ganze harte Arbeit erledigt, indem es alle Daten, die für [unser] Ökosystem relevant sind, gesammelt und kontextualisiert hat, so dass wir einen ganzheitlicheren Blick auf das Geschehen in unserer Kategorie haben.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
Mehr wie dies
